論文の概要: MASPO: Joint Prompt Optimization for LLM-based Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2605.06623v1
• Date: Thu, 07 May 2026 17:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:12.047991
• Title: MASPO: Joint Prompt Optimization for LLM-based Multi-Agent Systems
• Title（参考訳）: MASPO:LLMに基づくマルチエージェントシステムのための共同プロンプト最適化
• Authors: Zhexuan Wang, Xuebo Liu, Li Wang, Zifei Shan, Yutong Wang, Zhenxi Song, Min Zhang,
• Abstract要約: 大規模言語モデル(LLM)に基づくマルチエージェントシステムは,複雑な協調作業に対処する上で有望であることを示す。 MASPOはシステム全体のプロンプトを自動的にかつ反復的に洗練するように設計された新しいフレームワークである。 MASPOの中核的な革新は、その共同評価メカニズムであり、それは局所的妥当性だけでなく、後継エージェントの下流での成功を促進する能力によっても評価される。
• 参考スコア（独自算出の注目度）: 27.45439187523796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM)-based Multi-agent systems (MAS) have shown promise in tackling complex collaborative tasks, where agents are typically orchestrated via role-specific prompts. While the quality of these prompts is pivotal, jointly optimizing them across interacting agents remains a non-trivial challenge, primarily due to the misalignment between local agent objectives and holistic system goals. To address this, we introduce MASPO, a novel framework designed to automatically and iteratively refine prompts across the entire system. A core innovation of MASPO is its joint evaluation mechanism, which assesses prompts not merely by their local validity, but by their capacity to facilitate downstream success for successor agents. This effectively bridges the gap between local interactions and global outcomes without relying on ground-truth labels. Furthermore, MASPO employs a data-driven evolutionary beam search to efficiently navigate the high-dimensional prompt space. Extensive empirical evaluations across 6 diverse tasks demonstrate that MASPO consistently outperforms state-of-the-art prompt optimization methods, achieving an average accuracy improvement of 2.9. We release our code at https://github.com/wangzx1219/MASPO.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、エージェントが役割固有のプロンプトによって編成される複雑な協調タスクに対処する上で、将来性を示す。 これらのプロンプトの質は重要であるが、相互作用するエージェント間でそれらを共同で最適化することは、主に局所的なエージェントの目的と全体論的なシステム目標の相違のために、非常に難しい課題である。 そこで本研究では,システム全体のプロンプトを自動的にかつ反復的に洗練する新しいフレームワークであるMASPOを紹介する。 MASPOの中核的な革新は、その共同評価メカニズムであり、それは局所的妥当性だけでなく、後継エージェントの下流での成功を促進する能力によっても評価される。 これにより、地道ラベルに頼ることなく、局所的な相互作用とグローバルな成果のギャップを効果的に埋めることができる。 さらに、MASPOはデータ駆動の進化的ビーム探索を用いて高次元のプロンプト空間を効率的にナビゲートする。 6つのタスクにわたる広範囲な実験的な評価により、MASPOは最先端のプロンプト最適化手法を一貫して上回り、平均精度は2.9である。 コードについてはhttps://github.com/wangzx1219/MASPO.comで公開しています。

関連論文リスト

• ComAgent: Multi-LLM based Agentic AI Empowered Intelligent Wireless Networks [62.031889234230725]
  6Gネットワークは複雑な層間最適化に依存している。 数学の定式化に高レベルの意図を手動で翻訳することは、まだボトルネックである。 我々はマルチLLMエージェントAIフレームワークであるComAgentを紹介する。
  論文  参考訳（メタデータ） (2026-01-27T13:43:59Z)
• MAS-Orchestra: Understanding and Improving Multi-Agent Reasoning Through Holistic Orchestration and Controlled Benchmarks [86.05918381895555]
  関数呼び出し強化学習問題としてMASオーケストレーションを定式化する訓練時間フレームワークとしてMASOrchestraを提案する。 MAS-Orchestraでは、複雑なゴール指向のサブエージェントは呼び出し可能な関数として抽象化され、システム構造に対する大域的推論を可能にする。 分析の結果,MASはタスク構造や検証プロトコル,オーケストレータとサブエージェントの両方の機能に大きく依存していることが判明した。
  論文  参考訳（メタデータ） (2026-01-21T04:57:02Z)
• Achieving Equilibrium under Utility Heterogeneity: An Agent-Attention Framework for Multi-Agent Multi-Objective Reinforcement Learning [30.138706163658597]
  本稿では,エージェント型マルチエージェント多目的強化学習(AA-MAMORL)フレームワークを提案する。 我々のアプローチは、訓練中に、他のエージェントのユーティリティ機能と関連するポリシーに対する共同信条を暗黙的に学習する。 実行中、各エージェントは、BNEを近似するために、ローカル観測とプライベートユーティリティ機能に基づいて、独立してアクションを選択する。
  論文  参考訳（メタデータ） (2025-11-12T03:06:21Z)
• MAPRO: Recasting Multi-Agent Prompt Optimization as Maximum a Posteriori Inference [40.87762929194057]
  MAPRO (Multi-Agent PRompt Optimization) は、まずMASの最適化を、MAP(Maximum a Posteriori)推論問題として定式化するフレームワークである。 クレジットの割り当てに対処し、システムを反復的に更新するために、MAPROはトポロジ対応のリファインメント機構を採用している。 MAPROは様々なタスクのベンチマークで最先端のパフォーマンスを達成し、手作業によるベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-08T19:21:24Z)
• MARS: Optimizing Dual-System Deep Research via Multi-Agent Reinforcement Learning [82.14973479594367]
  複雑な推論タスクのための大規模言語モデル(LLM)は、直感的で意図的な認知プロセスを橋渡しする革新的なアプローチを必要とする。 本稿では,Multi-Agent System for Deep ReSearch (MARS)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T15:42:55Z)
• Parallelism Meets Adaptiveness: Scalable Documents Understanding in Multi-Agent LLM Systems [0.8437187555622164]
  大規模言語モデル(LLM)エージェントは、協調的なタスク補完の約束が増していることを示している。 既存のマルチエージェントフレームワークは、静的で固定されたロールと限定的なエージェント間通信に依存していることが多い。 本稿では,3つのコア機構による適応性を実現するための協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T22:42:51Z)
• Topological Structure Learning Should Be A Research Priority for LLM-Based Multi-Agent Systems [69.95482609893236]
  大規模言語モデルに基づくマルチエージェントシステム(MAS)は、協調的な知性によって複雑なタスクに取り組むための強力なパラダイムとして登場した。 我々は,エージェント間相互作用の構造を明示的にモデル化し,動的に最適化する,エフェトロジーを意識したMASへのパラダイムシフトを求める。
  論文  参考訳（メタデータ） (2025-05-28T15:20:09Z)
• Towards more Contextual Agents: An extractor-Generator Optimization Framework [0.0]
  LLM(Large Language Model)ベースのエージェントは、幅広い汎用アプリケーションにわたる複雑なタスクの解決に顕著な成功を収めている。 しかしながら、それらのパフォーマンスは、専門産業や研究領域のようなコンテキスト固有のシナリオで劣化することが多い。 この課題に対処するため,本研究では,LLMエージェントの文脈適応性を高めるための体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-18T15:07:06Z)
• Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies [41.21314691388456]
  対話やコラボレーションを行う複数のエージェントとして使用される大規模な言語モデルは、複雑なタスクの解決に優れています。 マルチエージェントシステム(MAS)のプロンプトやトポロジーの設計は本質的に複雑である。 複雑なMAS設計空間を効率的に活用するMAS最適化フレームワークであるMulti-Agent System Search (MASS)を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:56:44Z)
• Locality Matters: A Scalable Value Decomposition Approach for Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
  協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。 本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
  論文  参考訳（メタデータ） (2021-09-22T10:08:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。